最后更新: 2025-02-07 11:30 查看: 109 次纠错评论(0) 课件开VIP

线性回归

线性回归是一种用于找出各个变量之间的关系的统计技术。在机器学习中 线性回归模型会找出功能和数据关系。

例如，假设我们要预测汽车的燃油效率（以英里/英里为单位） 根据汽车的重量确定加仑，我们有以下数据集：

![图片](/uploads/2025-02/48abc3.jpg)
 
如果我们绘制这些点，就会得到以下图表：
 ![图片](/uploads/2025-02/5bbc16.jpg){width=550px}
 图 1. 汽车重量（以磅为单位）与每加仑英里数的评级。作为 汽车越重，每加仑英里数的评级通常会降低。

我们可以通过这些点绘制一条最适合的直线来创建自己的模型：

![图片](/uploads/2025-02/38b6e3.jpg)
 图 2. 上图数据绘制的最适合的线条。
 
 用代数术语来说，模型的定义为 $y=m x+b$ ，其中
- $y$ 表示每加仑英里数，即我们想要预测的值。
- $m$ 是直线的斜率。
- $x$ 是磅，即我们的输入值。
- $b$ 为 y 轴截距。

在机器学习中，我们编写线性回归模型的方程式，如下所示：

$$
y^{\prime}=b+w_1 x_1
$$

其中：
- $y^{\prime}$ 是预测标签，即输出。
- $b$ 是偏差 模型。偏差与代数中 y 截距的概念相同 直线方程。在机器学习中，偏差有时称为 $w_0$ 。偏差 是一个模型的参数，而都是在训练期间计算的。
－$w_1$ 是权重功能。权重与代数中斜率 $m$ 的概念相同 直线方程。权重为 参数，是在训练期间计算的。
－$x_1$ 是一项特征，即输入。
在训练期间，模型会计算可产生最佳结果的权重和偏差 模型。

![图片](/uploads/2025-02/9bb555.jpg)
 
 图 3．线性模型的数学表示法。
 
在我们的示例中，我们根据绘制的线条计算权重和偏差。通过 偏差为 30 （其中直线与 y 轴相交），权重为－3．6（直线的斜率）。该模型将定义为 $y^{\prime}=30+(-3.6)\left(x_1\right)$ ，以及就可以用它来进行预测了。例如，使用此模型时， 4000 磅的汽车预计燃油效率为每辆 15.6 英里加仑。

![图片](/uploads/2025-02/577412.jpg)
 
 图 4．使用该模型，一辆 4000 磅重的汽车 燃油效率为每加仑 15.6 英里。

## 具有多个特征的模型
虽然本部分中的示例仅使用了一项功能，即重量级汽车的特征，更复杂的模型可能依赖于多种特征，每个都有单独的重量（ $w_1, ~ w_2$ 等）。例如，一个模型可以写如下：

$$
y^{\prime}=b+w_1 x_1+w_2 x_2+w_3 x_3+w_4 x_4+w_5 x_5
$$

例如，预测汽油里程的模型还可以额外使用特征例如：
- 发动机排量
- 加速性能
- 汽缸数
- 马力

此模型的编写方式如下：
 ![图片](/uploads/2025-02/9999b9.jpg)
 
 图 5. 一个具有五个特征的模型，用于预测汽车每加仑的英里数 评分。

通过绘制一些附加特征的图表，可以看出它们在 与标签的线性关系（每加仑英里数）：
 ![图片](/uploads/2025-02/4573a6.jpg)
 图 6. 汽车的排量（以立方厘米为单位加每加仑的英里数） 评分。汽车的引擎加大了，每加仑的英里数评级通常 。
 
  ![图片](/uploads/2025-02/1b2b8d.jpg)
  图 7. 汽车的加速度和每加仑英里数的评级。作为汽车 加速用时越长，每加仑英里数的评级通常会提高。
  
   ![图片](/uploads/2025-02/3b35dc.jpg)
   
   图 8. 汽车的马力和每加仑英里数的评级。作为汽车 马力增加，每加仑英里数的评级通常会降低。

科数题库(单机版) 会议室预约系统(book)

今日还可看 0 篇未注册用户每天查看4篇，注册用户每天8篇，开通VIP会员无限制查看。

免费注册

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

上一篇：没有了

下一篇：损失

本文对您是否有用？有用 (0) 无用 (0)